Нормированное правило Перцептрона

Нейрон с 2 входами жесткого предела обучен классифицировать 5 входных векторов в две категории. Несмотря на то, что один входной вектор намного больше, чем другие, обучение с LEARNPN быстро.

Каждый из пяти векторов-столбцов X задает 2-элементные векторы входа, а вектор-строка T задает целевые категории вектора. Постройте график этих векторов с помощью PLOTPV.

X = [ -0.5 -0.5 +0.3 -0.1 -40; ...
      -0.5 +0.5 -0.5 +1.0 50];
T = [1 1 0 0 1];
plotpv(X,T);

Обратите внимание, что 4 входных вектора имеют гораздо меньшие величины, чем пятый вектор в верхней левой части графика. Перцептрон должен правильно классифицировать 5 входных векторов X в две категории, заданные T.

PERCEPTRON создает новую сеть с правилом обучения LEARPN, которое менее чувствительно к большим изменениям в вход размера вектора, чем LEARNP (по умолчанию).

Затем сеть конфигурируется с входными и целевыми данными, что приводит к исходным значениям для ее весов и смещения. (Строение обычно не требуется, так как выполняется автоматически с помощью ADAPT и TRAIN.)

net = perceptron('hardlim','learnpn');
net = configure(net,X,T);

Добавьте начальную попытку нейрона классификации к графику.

Начальные веса равны нулю, поэтому любой вход выдает тот же выход, и линия классификации даже не появляется на графике. Не бойся... мы собираемся его обучить!

hold on
linehandle = plotpc(net.IW{1},net.b{1});

ADAPT возвращает новый сетевой объект, который выполняет функции лучшего классификатора, выходов сети и ошибки. Этот цикл позволяет сети адаптироваться, строит график линии классификации и продолжается, пока ошибка не станет нулем.

E = 1;
while (sse(E))
   [net,Y,E] = adapt(net,X,T);
   linehandle = plotpc(net.IW{1},net.b{1},linehandle);
   drawnow;
end

Обратите внимание, что обучение с LEARNP заняло только 3 эпохи, в то время как для решения той же задачи с LEARNPN требовалось 32 эпохи. Таким образом, LEARNPN выполняет намного лучшую работу, чем LEARNP, когда существуют большие изменения в размере входного вектора.

Теперь SIM может использоваться, чтобы классифицировать любой другой входной вектор. Для примера классифицируйте вектор входа [0,7; 1.2].

График этой новой точки с исходным набором обучающих данных показывает, как работает сеть. Чтобы отличить его от набора обучающих данных, окрашивайте его в красный цвет.

x = [0.7; 1.2];
y = net(x);
plotpv(x,y);
circle = findobj(gca,'type','line');
circle.Color = 'red';

Включите «hold», чтобы предыдущий график не стирался. Добавьте набор обучающих данных и классификационную линию к графику.

hold on;
plotpv(X,T);
plotpc(net.IW{1},net.b{1});
hold off;

Наконец, увеличьте масштаб области интереса.

Перцептрон правильно классифицировал нашу новую точку (в красном) как категорию « нуль» (представленную кругом), а не «единицу» (представленную плюсом). Перцептрон учится правильно за гораздо более короткое время, несмотря на выбросы (сравните с примером «Выбросы Входа Vectors»).

axis([-2 2 -2 2]);

Для просмотра документации необходимо авторизоваться на сайте